Temperatura de la Superficie del Mar y Predicciones de Olas de Calor Marinas en el Mar de China Meridional: Un Modelo de Aprendizaje Profundo U-Net 3D que Integra Datos de Múltiples Fuentes
Autores: Xie, Bowen; Qi, Jifeng; Yang, Shuguo; Sun, Guimin; Feng, Zhongkun; Yin, Baoshu; Wang, Wenwu
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Temperatura de la superficie del mar
Aprendizaje profundo
Mar de China Meridional
Modelo 3D U-Net
Ola de calor marina
Predicción de SST
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 11
Citaciones: Sin citaciones
La predicción precisa de la temperatura de la superficie del mar (SST) es vital para la prevención de desastres, la circulación oceánica y el cambio climático. Los métodos tradicionales de predicción de SST, predominantemente basados en modelos numéricos que requieren mucho tiempo, enfrentan desafíos en términos de velocidad y eficiencia. En este estudio, desarrollamos un nuevo enfoque de aprendizaje profundo utilizando una estructura 3D U-Net con datos de múltiples fuentes para pronosticar la SST en el Mar de China Meridional (SCS). Se utilizaron como variables de entrada la SST, la anomalía de altura de la superficie del mar (SSHA) y el viento en la superficie del mar (SSW). En comparación con el modelo de memoria a corto y largo plazo convolucional (ConvLSTM), el modelo 3D U-Net logró predicciones más precisas en todos los plazos (de 1 a 30 días) y tuvo un mejor rendimiento en diferentes estaciones. Espacialmente, las predicciones de SST del modelo 3D U-Net mostraron bajos errores (RMSE < 0.5 grados C) y alta correlación (R > 0.9) en la mayor parte del SCS. La serie temporal promediada espacialmente de la SST, tanto predicha por el 3D U-Net como observada en 2021, mostró una notable consistencia. Una aplicación destacada del modelo 3D U-Net en esta investigación fue la detección exitosa de eventos de olas de calor marinas (MHW) en el SCS en 2021. El modelo capturó con precisión la frecuencia de ocurrencia, la duración total, la duración promedio y la intensidad acumulativa promedio de los eventos MHW, alineándose estrechamente con los datos observados. Experimentos sensibles mostraron que la SSHA y el SSW tienen impactos significativos en la predicción del modelo 3D U-Net, lo que puede mejorar la precisión y desempeñar diferentes roles en diferentes períodos de pronóstico. La combinación del modelo 3D U-Net con variables de superficie del mar de múltiples fuentes no solo predijo rápidamente la SST en el SCS, sino que también presentó un nuevo método para pronosticar eventos MHW, destacando su significativo potencial y ventajas.
Descripción
La predicción precisa de la temperatura de la superficie del mar (SST) es vital para la prevención de desastres, la circulación oceánica y el cambio climático. Los métodos tradicionales de predicción de SST, predominantemente basados en modelos numéricos que requieren mucho tiempo, enfrentan desafíos en términos de velocidad y eficiencia. En este estudio, desarrollamos un nuevo enfoque de aprendizaje profundo utilizando una estructura 3D U-Net con datos de múltiples fuentes para pronosticar la SST en el Mar de China Meridional (SCS). Se utilizaron como variables de entrada la SST, la anomalía de altura de la superficie del mar (SSHA) y el viento en la superficie del mar (SSW). En comparación con el modelo de memoria a corto y largo plazo convolucional (ConvLSTM), el modelo 3D U-Net logró predicciones más precisas en todos los plazos (de 1 a 30 días) y tuvo un mejor rendimiento en diferentes estaciones. Espacialmente, las predicciones de SST del modelo 3D U-Net mostraron bajos errores (RMSE < 0.5 grados C) y alta correlación (R > 0.9) en la mayor parte del SCS. La serie temporal promediada espacialmente de la SST, tanto predicha por el 3D U-Net como observada en 2021, mostró una notable consistencia. Una aplicación destacada del modelo 3D U-Net en esta investigación fue la detección exitosa de eventos de olas de calor marinas (MHW) en el SCS en 2021. El modelo capturó con precisión la frecuencia de ocurrencia, la duración total, la duración promedio y la intensidad acumulativa promedio de los eventos MHW, alineándose estrechamente con los datos observados. Experimentos sensibles mostraron que la SSHA y el SSW tienen impactos significativos en la predicción del modelo 3D U-Net, lo que puede mejorar la precisión y desempeñar diferentes roles en diferentes períodos de pronóstico. La combinación del modelo 3D U-Net con variables de superficie del mar de múltiples fuentes no solo predijo rápidamente la SST en el SCS, sino que también presentó un nuevo método para pronosticar eventos MHW, destacando su significativo potencial y ventajas.